李 蕾, 方明科

(信阳师范学院 计算机与信息技术学院, 河南 信阳 464000)

无线传感器网络在军事、 航天、 森林火灾预警、 医疗卫生、 空气污染监控等领域应用广泛[1-3]. 无线传感器网络由大量具有通信功能的传感器节点组成, 这些节点可对相关信息进行感知和监测, 然后将信息发给相应的簇首, 最后由簇首发送给基站, 该过程组成了无线传感器网络数据传输的路由[4-5]. 由于选择不同的无线传感器节点可组成不同性能的无线传感器网络数据传输路由, 因此如何建立最优的无线传感器网络数据传输路由算法具有重要意义[6].

目前, 无线传感器网络数据传输的路由算法可划分为两类： 一类是平面结构的无线传感器网络数据传输的路由算法； 另一类是层次结构的无线传感器网络数据传输的路由算法. 平面结构的算法由于假设无线传感器网络结构固定, 不仅节点之间采集的信息量较大, 且节点之间采用单跳方式进行通信, 而现代无线传感器网络的结构复杂多变, 因此该类算法已不再适用[7-9]. 层次结构的算法是将整个无线传感器网络划分为多个簇, 可适合现代无线传感器网络复杂多变的结构, 已成为该领域目前的主要研究方向[10]. LEACH(low energy adaptive clustering hierarchy)是一种典型的无线传感器网络数据传输的路由算法, 但LEACH算法有一定的缺陷, 因此目前已提出了许多改进的LEACH算法[11-13]. 在实际实用中, 改进的LEACH算法仍存在不足, 如簇划分不合理、 易选择剩余能量较小的传感器节点作为簇首, 节点之间的能耗不均衡, 使无线传感器网络数据传输成功率低等[14-15].

为解决当前无线传感器网络路由算法存在的不足, 提高数据传输成功率, 本文提出一种基于证据理论加权融合的无线传感器网络路由算法, 并与经典传感器网络路由算法进行对比测试. 测试结果表明, 本文无线传感器网络路由算法的各项指标均优于对比算法, 验证了该路由算法的优势.

1 算法设计

图1 无线传感器网络节点部署模型Fig.1 Node deployment model of wireless sensor network

1.1 无线传感器网络节点部署模型 无线传感器网络中的节点可划分为基站节点和普通节点. 其中: 基站节点的能量是无限的, 位置也固定, 主要负责收集无线传感器网络所有节点的监测数据, 并对其处理, 最后将监测数据发送到用户端, 一个无线传感器网络只有一个基站节点; 普通节点包括簇首节点和簇内节点, 其位置随机, 初始化能量相同, 主要负责对监测区的对象数据进行收集, 可根据传输距离调整传输功率. 无线传感器网络节点部署模型[16]如图1所示.

1.2 无线传感器网络节点能耗模型 无线传感器网络节点的能耗模型采用无线电模型, 当无线传感器网络节点要进行数据发送时, 首先通过无线电路对数据进行发送, 并对数据进行信号转换, 然后采用无线电发射放大电路对信号进行放大处理, 最后通过无线电接收电路接收数据, 其工作原理[17-18]如图2所示.

图2 无线传感器网络节点能耗模型Fig.2 Energy consumption model of wireless sensor network nodes

设Eelec为电路能耗,εfs,εmp分别为自由传播能耗和多径衰减能耗, 当传感器节点发送数据大小为kbit, 发送距离为d时, 能耗计算公式为

(1)

其中d0为门限距离, 计算公式为

(2)

对于相同距离, 接收同样大小数据的能耗计算公式为

ERx(k)=kEelec.

(3)

簇首节点融合kbit数据的能耗为

Ef(k)=kEda,

(4)

其中Eda为融合数据能耗.

1.3 模糊聚类算法的无线传感器网络分簇 当前无线传感器网络的簇划分采用随机方式, 存在产生簇首过于集中、 簇成员节点分配不合理的弊端, 因此, 本文采用模糊聚类算法进行无线传感器网络分簇, 即将整个无线传感器网络划分为多个子区域. 设无线传感器网络共有N个节点, 其位置集合为X={x1,x2,…,xn}, 利用模糊聚类算法将每个节点划分到相应簇中. 用vi表示第i个聚类中心,uij表示第i个传感器节点相对于第j个簇隶属度值,U表示隶属度矩阵,V表示聚类中心矩阵, 则无线传感器网络分簇的目标函数为

(5)

其中：K表示聚类中心的数量, 即无线传感器网络的簇数；m表示模糊加权指数. 式(5)的约束条件为

(6)

在模糊聚类算法中,uij和vi的更新公式为

模糊聚类算法进行无线传感器网络分簇思想： 先随机在无线传感器网络中选择多个聚类中心, 然后以聚类中心为基础, 对全部无线传感器网络传感器节点进行初步聚类, 并根据式(8)得到每个传感器节点的最终隶属度值, 最后每个传感器节点根据隶属度值划分到无线传感器网络子区域内, 于是整个无线传感器网络被划分为K个簇.

1.4 基于证据理论选择簇首节点 当前无线传感器网络的簇首根据传感器节点剩余能量进行选择, 使得整个网络的传感器节点能耗不均匀, 因此本文引入证据理论对每个簇的传感器节点性能进行综合评价, 再根据评价结果选择每个簇的簇首. 证据理论是不确定性数学的一个重要分支, 设一个事件或命题为xi(i=1,2,…,n), 则表示Θ识别框架, 即Θ={x1,x2,…,xn}.Θ所有子集组成一个集合2Θ, 即

2Θ={φ,{x1},…,{xn},{x1∪x2},{x1∪x3},…,Θ}.

(9)

如果函数M: 2Θ→[0,1]满足如下条件：

(10)

则称为Θ的基本概率分配函数， 其中M(A)表示事件A的基本可信度.

对于n个不同的证据, 对其概率分配函数M1,M2,…,Mn, 通过证据理论进行融合, 可得新的概率分配函数为

(11)

本文采用传感器节点剩余能量、 与下一簇首间的通信距离、 数据通信能耗、 路由距离作为评价指标, 评价簇首选择的优劣. 首先采用证据理论分别确定传感器节点剩余能量、 与下一簇首间的通信距离、 数据通信能耗、 路由距离的权值, 然后根据权值得到所有传感器节点性能的综合评价结果, 并根据综合结果对传感器节点进行排序, 最后根据排序结果选择最优的传感器节点作为簇首节点.

1.5 证据理论加权融合的无线传感器网络路由算法工作原理 为解决当前无线传感器网络路由构建过程中, 由于簇的划分、 簇首选择等不足导致的无线传感器网络生命周期过短、 数据传输的错误率高、 数据传输时延长、 无线传感器网络的不可靠性等缺陷, 本文提出一种基于证据理论加权融合的无线传感器网络路由算法, 其基本原理为： 首先通过引入模糊聚类算法进行无线传感器网络分簇, 使网络的簇数及簇内的传感器节点数更合理, 然后采用多个指标对每个传感器节点的性能进行评价, 并引入证据理论根据评价指标进行加权, 选择综合性能最优的传感器节点作为一个簇的簇首, 防止一些性能差的传感器节点被选择为簇首, 最后簇内节点根据节点之间的距离进行单跳或多跳相结合的方式进行通信, 构建一条最优的数据传输路由.

2 仿真测试

2.1 无线传感器网络参数设置 为测试证据理论加权融合的无线传感器网络路由算法性能, 采用MATLAB 2017实现无线传感器网络路由算法仿真, 选择文献[14]和文献[15]中的无线传感器网络路由算法进行对比实验. 无线传感器网络仿真参数列于表1.

表1 无线传感器网络仿真参数设置

图3 不同无线传感器网络路由算法的数据传输时延对比Fig.3 Comparison of data transmission delay of different wireless sensor network routing algorithms

2.2 无线传感器网络数据传输时延分析 3种对比无线传感器网络路由算法的数据传输时延变化如图3所示. 由图3可见, 随着仿真时间的不断增加, 无线传感器网络的数据传输时延均增加, 这是由于随着数据传输量的不断增加, 使数据转发的次数增多, 但在相同的仿真时间内, 证据理论加权融合的无线传感器网络路由算法的数据传输时延少于文献[14]和文献[15]算法的数据传输时延, 表明证据理论加权融合算法的无线传感器网络数据传输速度更快, 提高了无线传感器网络的数据吞吐量.

2.3 无线传感器网络丢包率分析 3种对比无线传感器网络路由算法的丢包率变化曲线如图4所示. 由图4可见, 由于无线传感器网络工作时间延长, 数据丢包率不断上升, 这是由于随着工作时间的延长, 一些传感器节点由于能量耗尽而失效, 无线传感器网络需要动态调整数据传输的路由, 使数据丢包次数不断增多, 但本文算法的丢包率一直低于文献[14]和文献[15]算法的丢包率, 表明本文算法的无线传感器网络数据传输成功率更高, 减少了无线传感器网络数据传输的错误次数, 使无线传感器网络的通信质量更高.

2.4 无线传感器网络生存周期分析 3种对比无线传感器网络路由算法的传感器节点死亡数量曲线如图5所示. 由图5可见, 在无线传感器网络工作初期, 传感器节点死亡数量较少, 随着工作时间的增加, 传感器节点死亡数量呈上升趋势, 到一定时间, 无线传感器网络中多数传感器节点死亡, 此时无线传感器网络处于无法正常工作状态, 已经失效, 生存周期完结, 但证据理论加权融合算法的无线传感器网络生存周期明显优于文献[14]和文献[15]算法, 延长了无线传感器网络的寿命.

图4 不同无线传感器网络路由算法的丢包率对比Fig.4 Comparison of packet loss rates of different wireless sensor network routing algorithms

图5 不同无线传感器网络路由算法的生存周期对比Fig.5 Comparison of life cycle of different wireless sensor network routing algorithms

综上所述, 本文针对无线传感器网络路由算法存在的数据传输可靠性差, 网络易失效等问题, 提出了一种基于证据理论加权融合的无线传感器网络动态路由算法, 通过引入模糊聚类分析算法解决簇划分不合理的问题, 并引入证据理论对传感器节点的性能进行加权, 解决了簇首选择问题. 仿真测试结果表明, 本文算法使无线传感器网络各节点能耗更均衡, 减少了网络丢包率, 延长了通信的生命周期, 有一定的实际应用价值.